Wprowadzenie

Obecnie duża część społeczeństwa regularnie korzysta z mediów społecznościowych, a liczba użytkowników najpopularniejszych portali społecznościowych nie przestaje rosnąć. Często zadaje się jednak pytanie, jak czas spędzony na social media wpływa na nasze zdrowie psychiczne, przy czym sporo źródeł twierdzi, że ma on wpływ negatwyny.

Celem poniższej analizy statystycznej jest zatem odpowiedzenie na następujące pytania:

  1. Od czego zależy dzienny czas korzystania z mediów społecznościowych?
  2. Czy korzystanie z mediów społecznościowych ma wpływ na zdrowie psychiczne? Jeśli tak, to w jaki sposób?
  3. Jakie grupy społeczne są najbardziej podatne na owy wpływ? Od czego on zależy?
  4. Jaka platforma społecznościowa najbardziej uzależnia? Jak korzystanie z niej wpływa na zdrowie psychiczne?

Aby uzyskać na nie odpowiedzi, zajmę się zestawem danych z platformy Kaggle.com. Prezentuje on wyniki przeprowadzonej w 2022 roku ankiety, w której wzięło udział 481 osób o różnym wieku, płci oraz wykształceniu.

W projekcie korzystam z następujących bibliotek:

library(dplyr)
library(mice)
library(shiny)
library(ggplot2)
library(knitr)
library(psych)
library(moments)
library(plotly)

Zaczynam od wczytania pliku z danymi.

dataset<- read.csv("C:/Users/golak/OneDrive/Pulpit/smmh.csv", sep = ",")

Następnie w odpowiedni sposób go modyfikuję i zostawiam jedynie niezbędne do przeprowadzenia analizy kolumny.

new_dataset <- select(dataset, -c('Timestamp', 'X5..What.type.of.organizations.are.you.affiliated.with.', 'X19..On.a.scale.of.1.to.5..how.frequently.does.your.interest.in.daily.activities.fluctuate.',
                                  'X9..How.often.do.you.find.yourself.using.Social.media.without.a.specific.purpose.', 'X13..On.a.scale.of.1.to.5..how.much.are.you.bothered.by.worries.',
                                  'X12..On.a.scale.of.1.to.5..how.easily.distracted.are.you.', 'X15..On.a.scale.of.1.5..how.often.do.you.compare.yourself.to.other.successful.people.through.the.use.of.social.media.',
                                  'X16..Following.the.previous.question..how.do.you.feel.about.these.comparisons..generally.speaking.', 'X19..On.a.scale.of.1.to.5..how.frequently.does.your.interest.in.daily.activities.fluctuate.', 'X6..Do.you.use.social.media.', 'X17..How.often.do.you.look.to.seek.validation.from.features.of.social.media.'                    
                                  ))

Dla ułatwienia zmieniam również nazwy kolumn.

base_dataset <- new_dataset %>%
  rename(Age = X1..What.is.your.age., Gender = X2..Gender, RelationshipStatus = X3..Relationship.Status,
         OccupationStatus = X4..Occupation.Status, 
         UsedSocialMediaPlatforms = X7..What.social.media.platforms.do.you.commonly.use., 
         DailyAverageTimeOnSocialMedia = X8..What.is.the.average.time.you.spend.on.social.media.every.day.,
         FrequencyOfDistracionBySocialMedia = X10..How.often.do.you.get.distracted.by.Social.media.when.you.are.busy.doing.something.,
         FeelingRestlessWithoutSocialMedia = X11..Do.you.feel.restless.if.you.haven.t.used.Social.media.in.a.while.,
         DifficultyToConcentrate = X14..Do.you.find.it.difficult.to.concentrate.on.things., 
         FeelingDepressedOrDown = X18..How.often.do.you.feel.depressed.or.down., IssuesRegardingSleep = X20..On.a.scale.of.1.to.5..how.often.do.you.face.issues.regarding.sleep. )

Modyfikuję też niektóre kolumny z danymi.

base_dataset <- base_dataset %>%
  mutate (Gender = 
            ifelse (Gender %in% c("Male", "Female"), Gender, "Other" ))

base_dataset$DailyAverageTimeOnSocialMedia <- as.factor(base_dataset$DailyAverageTimeOnSocialMedia)
levels(base_dataset$DailyAverageTimeOnSocialMedia) <- c("Less than an Hour","Between 1 and 2 hours","Between 2 and 3 hours","Between 3 and 4 hours","Between 4 and 5 hours","More than 5 hours")

Teraz mam gotowy zestaw danych o nazwie base_dataset, na którym będę pracować podczas dalszych etapów analizy.

Zmienne

  • Age (liczbowo)
  • Gender (tekst: Female, Male, Other)
  • RelationshipStatus (tekst: Divorced, In a relationship, Married, Single)
  • OccupationStatus (tekst: Retired, Salaried Worker, School Student, University Student)
  • UsedSocialMediaPlatforms (tekst: Facebook, Twitter, Instagram, YouTube, Discord, Reddit, Snapchat, TikTok, Pinterest)
  • DailyAverageTimeOnSocialMedia (tekst: “Less than an Hour”,“Between 1 and 2 hours”,“Between 2 and 3 hours”,“Between 3 and 4 hours”,“Between 4 and 5 hours”,“More than 5 hours”)
  • FrequencyOfDistracionBySocialMedia (liczbowo, 1:5, 1 = bardzo rzadko, 5 = bardzo często)
  • FeelingRestlessWithoutSocialMedia (liczbowo, 1:5, 1 = bardzo rzadko, 5 = bardzo często)
  • DifficultyToConcentrate (liczbowo, 1:5, 1 = bardzo rzadko, 5 = bardzo często)
  • FeelingDepressedOrDown (liczbowo, 1:5, 1 = bardzo rzadko, 5 = bardzo często)
  • IssuesRegardingSleep (liczbowo, 1:5, 1 = bardzo rzadko, 5 = bardzo często)

Ponadto tworzę pomocnicze kolumny, opisujące czy dana osoba korzysta z konkretnej platformy społecznościowej (wartości numeryczne : 1 = Tak, 0 = Nie).

base_dataset$UseOfInstagram <- as.numeric(grepl("Instagram", base_dataset$UsedSocialMediaPlatforms))
base_dataset$UseOfFacebook <- as.numeric(grepl("Facebook", base_dataset$UsedSocialMediaPlatforms))
base_dataset$UseOfSnapchat <- as.numeric(grepl("Snapchat", base_dataset$UsedSocialMediaPlatforms))
base_dataset$UseOfTikTok <- as.numeric(grepl("TikTok", base_dataset$UsedSocialMediaPlatforms))
base_dataset$UseOfTwitter <- as.numeric(grepl("Twitter", base_dataset$UsedSocialMediaPlatforms))
base_dataset$UseOfYouTube <- as.numeric(grepl("YouTube", base_dataset$UsedSocialMediaPlatforms))
base_dataset$UseOfReddit <- as.numeric(grepl("Reddit", base_dataset$UsedSocialMediaPlatforms))
base_dataset$UseOfDiscord <- as.numeric(grepl("Discord", base_dataset$UsedSocialMediaPlatforms))
base_dataset$UseOfPinterest <- as.numeric(grepl("Pinterest", base_dataset$UsedSocialMediaPlatforms))

Struktura danych

Na początku oglądam dane:

head(base_dataset, 5)  #5 poczatkowych wartości
##   Age Gender RelationshipStatus   OccupationStatus
## 1  21   Male  In a relationship University Student
## 2  21 Female             Single University Student
## 3  21 Female             Single University Student
## 4  21 Female             Single University Student
## 5  21 Female             Single University Student
##                                 UsedSocialMediaPlatforms
## 1 Facebook, Twitter, Instagram, YouTube, Discord, Reddit
## 2 Facebook, Twitter, Instagram, YouTube, Discord, Reddit
## 3                Facebook, Instagram, YouTube, Pinterest
## 4                                    Facebook, Instagram
## 5                           Facebook, Instagram, YouTube
##   DailyAverageTimeOnSocialMedia FrequencyOfDistracionBySocialMedia
## 1         Between 1 and 2 hours                                  3
## 2             More than 5 hours                                  3
## 3         Between 2 and 3 hours                                  2
## 4             More than 5 hours                                  2
## 5         Between 1 and 2 hours                                  5
##   FeelingRestlessWithoutSocialMedia DifficultyToConcentrate
## 1                                 2                       5
## 2                                 2                       4
## 3                                 1                       4
## 4                                 1                       3
## 5                                 4                       5
##   FeelingDepressedOrDown IssuesRegardingSleep UseOfInstagram UseOfFacebook
## 1                      5                    5              1             1
## 2                      5                    5              1             1
## 3                      4                    5              1             1
## 4                      4                    2              1             1
## 5                      4                    1              1             1
##   UseOfSnapchat UseOfTikTok UseOfTwitter UseOfYouTube UseOfReddit UseOfDiscord
## 1             0           0            1            1           1            1
## 2             0           0            1            1           1            1
## 3             0           0            0            1           0            0
## 4             0           0            0            0           0            0
## 5             0           0            0            1           0            0
##   UseOfPinterest
## 1              0
## 2              0
## 3              1
## 4              0
## 5              0
tail (base_dataset, 5) #5 końcowych wartości
##     Age Gender RelationshipStatus   OccupationStatus
## 477  24   Male             Single    Salaried Worker
## 478  26 Female            Married    Salaried Worker
## 479  29 Female            Married    Salaried Worker
## 480  21   Male             Single University Student
## 481  53   Male            Married    Salaried Worker
##                                      UsedSocialMediaPlatforms
## 477                              Facebook, Instagram, YouTube
## 478                                         Facebook, YouTube
## 479                                         Facebook, YouTube
## 480 Facebook, Twitter, Instagram, YouTube, Discord, Pinterest
## 481                                         Facebook, YouTube
##     DailyAverageTimeOnSocialMedia FrequencyOfDistracionBySocialMedia
## 477         Between 1 and 2 hours                                  4
## 478             Less than an Hour                                  1
## 479         Between 1 and 2 hours                                  3
## 480         Between 1 and 2 hours                                  3
## 481         Between 4 and 5 hours                                  3
##     FeelingRestlessWithoutSocialMedia DifficultyToConcentrate
## 477                                 3                       4
## 478                                 2                       4
## 479                                 4                       3
## 480                                 2                       2
## 481                                 1                       1
##     FeelingDepressedOrDown IssuesRegardingSleep UseOfInstagram UseOfFacebook
## 477                      3                    4              1             1
## 478                      4                    1              0             1
## 479                      2                    2              0             1
## 480                      4                    4              1             1
## 481                      2                    3              0             1
##     UseOfSnapchat UseOfTikTok UseOfTwitter UseOfYouTube UseOfReddit
## 477             0           0            0            1           0
## 478             0           0            0            1           0
## 479             0           0            0            1           0
## 480             0           0            1            1           0
## 481             0           0            0            1           0
##     UseOfDiscord UseOfPinterest
## 477            0              0
## 478            0              0
## 479            0              0
## 480            1              1
## 481            0              0
str(base_dataset) #struktura pliku
## 'data.frame':    481 obs. of  20 variables:
##  $ Age                               : num  21 21 21 21 21 22 21 21 21 20 ...
##  $ Gender                            : chr  "Male" "Female" "Female" "Female" ...
##  $ RelationshipStatus                : chr  "In a relationship" "Single" "Single" "Single" ...
##  $ OccupationStatus                  : chr  "University Student" "University Student" "University Student" "University Student" ...
##  $ UsedSocialMediaPlatforms          : chr  "Facebook, Twitter, Instagram, YouTube, Discord, Reddit" "Facebook, Twitter, Instagram, YouTube, Discord, Reddit" "Facebook, Instagram, YouTube, Pinterest" "Facebook, Instagram" ...
##  $ DailyAverageTimeOnSocialMedia     : Factor w/ 6 levels "Less than an Hour",..: 2 6 3 6 2 2 3 6 6 5 ...
##  $ FrequencyOfDistracionBySocialMedia: int  3 3 2 2 5 4 3 2 2 1 ...
##  $ FeelingRestlessWithoutSocialMedia : int  2 2 1 1 4 2 2 3 3 1 ...
##  $ DifficultyToConcentrate           : int  5 4 4 3 5 3 3 1 1 1 ...
##  $ FeelingDepressedOrDown            : int  5 5 4 4 4 3 5 5 5 1 ...
##  $ IssuesRegardingSleep              : int  5 5 5 2 1 4 3 1 1 1 ...
##  $ UseOfInstagram                    : num  1 1 1 1 1 1 1 1 1 0 ...
##  $ UseOfFacebook                     : num  1 1 1 1 1 1 1 1 1 0 ...
##  $ UseOfSnapchat                     : num  0 0 0 0 0 0 1 0 0 0 ...
##  $ UseOfTikTok                       : num  0 0 0 0 0 1 1 0 0 0 ...
##  $ UseOfTwitter                      : num  1 1 0 0 0 1 0 0 0 0 ...
##  $ UseOfYouTube                      : num  1 1 1 0 1 1 1 1 1 0 ...
##  $ UseOfReddit                       : num  1 1 0 0 0 0 0 0 0 1 ...
##  $ UseOfDiscord                      : num  1 1 0 0 0 1 0 0 0 0 ...
##  $ UseOfPinterest                    : num  0 0 1 0 0 1 0 0 0 1 ...

Sprawdzam również za pomocą pakietu mice, czy w zestawie danych znajdują się braki.

md.pattern(base_dataset)
##  /\     /\
## {  `---'  }
## {  O   O  }
## ==>  V <==  No need for mice. This data set is completely observed.
##  \  \|/  /
##   `-----'

##     Age Gender RelationshipStatus OccupationStatus UsedSocialMediaPlatforms
## 481   1      1                  1                1                        1
##       0      0                  0                0                        0
##     DailyAverageTimeOnSocialMedia FrequencyOfDistracionBySocialMedia
## 481                             1                                  1
##                                 0                                  0
##     FeelingRestlessWithoutSocialMedia DifficultyToConcentrate
## 481                                 1                       1
##                                     0                       0
##     FeelingDepressedOrDown IssuesRegardingSleep UseOfInstagram UseOfFacebook
## 481                      1                    1              1             1
##                          0                    0              0             0
##     UseOfSnapchat UseOfTikTok UseOfTwitter UseOfYouTube UseOfReddit
## 481             1           1            1            1           1
##                 0           0            0            0           0
##     UseOfDiscord UseOfPinterest  
## 481            1              1 0
##                0              0 0

Widać zatem, że ten zestaw danych jest kompletny.

Przedstawienie graficzne struktury danych

Na poniższych wykresach przedstawiono rozbicie ankietowanych wg różnych kategorii.

Pierwszy wykres prezentuje rozkład wiekowy.

base_dataset %>%
  ggplot() + 
  geom_histogram(mapping = aes(x = Age),
                 binwidth = 4,
                 fill = "skyblue",
                 colour = "black") +
  labs(title = "Rozkład wieku ankietowanych", x = "Wiek", y = "Liczba osób") +
  theme_bw()

Następny wykres ilustruje proporcje płci.

ggplot(base_dataset, aes(x = "", fill = Gender)) +
  geom_bar(width = 1, stat = "count") +
  coord_polar(theta = "y") +
  labs(title = "Proporcje płci", fill = "Płeć") +
  theme_bw() +
  scale_fill_brewer() +
  theme(axis.title = element_blank())

Trzeci wykres przedstawia zróżnicowanie ze względu na stan cywilny.

ggplot(base_dataset, aes(x = "", fill = RelationshipStatus)) +
  geom_bar(width = 1, stat = "count") +
  coord_polar(theta = "y") +
  labs(title = "Stan cywilny ankietowanych", fill = "Stan cywilny") +
  theme_bw() +
  scale_fill_brewer() +
  theme(axis.title = element_blank())

Ostatni wykres pozwala na zobaczenie, jaki jest status zawodowy ankietowanych.

ggplot(base_dataset, aes(x = "", fill = OccupationStatus)) +
  geom_bar(width = 1, stat = "count") +
  coord_polar(theta = "y") +
  labs(title = "Status zawodowy ankietowanych", fill = "Status zawodowy") +
  theme_bw() +
  scale_fill_brewer() +
  theme(axis.title = element_blank())

Od czego zależy dzienny czas korzystania z mediów społecznościowych?

W tej części analizy zbadam, czy jest jakaś konkretna grupa społeczeństwa, która korzysta z social media więcej niż pozostałe.

Liczba godzin na social media a wiek

Sprawdzam, jakie grupy wiekowe najwięcej korzystają z mediów społecznościowych. W tym celu liczę podstawowe statystyki opisowe dla każdego dziennego przedziału czasowego:

base_dataset %>%
  group_by(DailyAverageTimeOnSocialMedia) %>%
  summarise(
    Liczba = n(),
            Srednia = mean(Age),
            Mediana = median(Age),
            Odch.st = sd(Age),
            Kurtoza = kurtosis(Age)) %>%
  kable()
DailyAverageTimeOnSocialMedia Liczba Srednia Mediana Odch.st Kurtoza
Less than an Hour 70 31.67143 26.5 11.717349 1.949642
Between 1 and 2 hours 101 27.02970 22.0 11.564130 11.635517
Between 2 and 3 hours 93 23.89247 21.0 7.766235 13.153387
Between 3 and 4 hours 67 23.55224 22.0 6.724635 9.255516
Between 4 and 5 hours 34 35.00000 35.5 12.042853 1.347927
More than 5 hours 116 22.71293 22.0 5.786890 39.558311

Dla porównania liczę także statystyki opisowe zmiennej Age.

summary(base_dataset$Age)  #mediana, srednia
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   13.00   21.00   22.00   26.14   26.00   91.00
kurtosis(base_dataset$Age) #kurtoza
## [1] 8.437546

W większości grup kurtoza jest bardzo wysoka, co sugeruje duże zróżnicowanie wieku i wiele wartości odstających. Należy też zauważyć, że połowa ankietowanych ma mniej niż 22 lata, zatem ciężko z tego badania wyciągnąć konkretne wnioski.

Jednak można dostrzec, że w grupach, gdzie czas spędzany na mediach społecznościowych jest krótszy (np. mniej niż godzina, między 1 a 2 godziny), średni wiek jest wyższy, co może sugerować, że osoby starsze korzystają z mediów społecznościowych w mniejszym stopniu. Ponadto widać, że grupa “ponad 5 godzin” zdaje się skupiać wokół młodszych użytkowników, choć z dużą zmiennością wieku.

Zależności te zobrazuję jeszcze wykresem:

ggplot(base_dataset, aes(x = Age, y = DailyAverageTimeOnSocialMedia)) +
  geom_violin( scale = "width", alpha = 0.7) +
  labs(title = "Rozkład dziennego czasu na mediach społecznościowych a wiek",
       x = "Wiek",
       y = "Dzienny czas na mediach społecznościowych") +
  theme_minimal() 

Liczba godzin na social media a płeć

Zbadam za pomocą wykresu, czy istnieją ewentualne zależności między liczbą godzin spędzanych na mediach społecznościowych a płcią respondentów.

base_dataset %>%
  ggplot() +
  geom_bar(aes(x = Gender, fill = DailyAverageTimeOnSocialMedia),
           color = "white", 
           position = "fill") +
  scale_fill_brewer(palette="Blues") +
  theme_light() +
  labs(title = "Rozkład dziennego czasu na mediach społecznościowych a płeć",
       x = "Płeć",
       y = "Odsetek odpowiedzi",
       fill = "Dzienny czas na mediach społecznościowych:")

Widać więc, że różnice między czasem korzystania z social media mężczyzn i kobiet są niewielkie. Można jedynie zauważyć, że osoby nieidentyfikujące się z żadną płcią średnio spędzają na mediach społecznościowych najwięcej czasu.

Liczba godzin na social media a stan cywilny

Sprawdzę używając wykresu, czy istnieje zależność między stanem cywilnym ankietowanych, a dziennym czasem korzystania z social media.

base_dataset %>%
  ggplot() +
  geom_bar(aes(x = RelationshipStatus, fill = DailyAverageTimeOnSocialMedia),
           color = "white", 
           position = "fill") +
  scale_fill_brewer(palette="Blues") +
  theme_light() +
  labs(title = "Rozkład dziennego czasu na social media a stan cywilny",
       x = "Stan cywilny",
       y = "Odsetek odpowiedzi",
       fill = "Dzienny czas na mediach społecznościowych:")

Można zatem wysnuć wniosek, że osoby po ślubie spędzają najmniej czasu na platformach społecznościowych w ciągu dnia, a osoby po rozwodzie najwięcej. Natomiast nie zaobserwowano istotnych różnic w dziennym czasie spędzanym na mediach społecznościowych między osobami w związkach a singlami.

Liczba godzin na social media a stan zawodowy

Poprzez analizę wykresu postaram się ustalić, czy można dostrzec jakieś związki między stanem zawodowym uczestników badania a czasem, jaki codziennie poświęcają na korzystanie z mediów społecznościowych.

base_dataset %>%
  ggplot() +
  geom_bar(aes(x = OccupationStatus, fill = DailyAverageTimeOnSocialMedia),
           color = "white", 
           position = "fill") +
  scale_fill_brewer(palette="Blues") +
  theme_light() +
  labs(title = "Rozkład dziennego czasu na social media a stan zawodowy",
       x = "Stan zawodowy",
       y = "Odsetek odpowiedzi",
       fill = "Dzienny czas na mediach społecznościowych:") +
  theme(axis.text.x = element_text(angle = 20, hjust = 1))

Można zauważyć, że osoby uczące się i studiujące spędzają na mediach społecznościowych więcej czasu niż pozostali.

Czy korzystanie z mediów społecznościowych ma wpływ na zdrowie psychiczne?

W tej części analizy zbadam, czy istnieje zależność między czasem, jaki ankietowani poświęcają na korzystanie z mediów społecznościowych a poszczególnymi aspektami związanymi ze zdrowiem psychicznym.

Liczba godzin na social media a częstotliwość rozproszenia uwagi przez nie

Aby sprawdzić, czy występuje związek między czasem korzystania z social media a częstotliwością rozproszenia uwagi przez nie, traktuję te zmienne jako porządkowe i liczę współczynnik tau-Kendalla, który zbada monotoniczną zależność między nimi.

cor.test(
  x = as.numeric(base_dataset$DailyAverageTimeOnSocialMedia),
  y = base_dataset$FrequencyOfDistracionBySocialMedia,
  method = "kendall"
)
## 
##  Kendall's rank correlation tau
## 
## data:  as.numeric(base_dataset$DailyAverageTimeOnSocialMedia) and base_dataset$FrequencyOfDistracionBySocialMedia
## z = 4.1393, p-value = 3.484e-05
## alternative hypothesis: true tau is not equal to 0
## sample estimates:
##       tau 
## 0.1506338

Oznacza to, że istnieje dodatni, ale raczej słaby związek między tymi dwiema zmiennymi w badanej próbie.

Zaprezentuję dodatkowo ten związek za pomocą wykresu pudełkowego:

base_dataset %>%
  ggplot( aes(x = FrequencyOfDistracionBySocialMedia, y =DailyAverageTimeOnSocialMedia)) +
  geom_boxplot() +
  labs(title = "Ilość korzystania z social media a częstotliwość rozpraszania",
       x = "Częstotliwość rozpraszania przez media",
       y = "Ilość korzystania z mediów") +
  theme_minimal()

Widać zatem, że wyłączając grupę ankietowanych, która korzysta z social media od 4 do 5 godzin dziennie, raczej można zaobserwować wzrost częstotliwości rozpraszania przez media wraz ze wzrostem dziennego czasu korzystania z nich.

Liczba godzin na social media a odczucie niepokoju bez nich

Na tej samej zasadzie liczę współczynnik tau-Kendalla, aby określić zależność między tymi danymi.

cor.test(
  x = as.numeric(base_dataset$DailyAverageTimeOnSocialMedia),
  y = base_dataset$FeelingRestlessWithoutSocialMedia,
  method = "kendall"
)
## 
##  Kendall's rank correlation tau
## 
## data:  as.numeric(base_dataset$DailyAverageTimeOnSocialMedia) and base_dataset$FeelingRestlessWithoutSocialMedia
## z = 5.1026, p-value = 3.35e-07
## alternative hypothesis: true tau is not equal to 0
## sample estimates:
##       tau 
## 0.1864169

Wynik sugeruje, że istnieje pewna wprostproporcjonalna, choć stosunkowo niewielka, zależność między tymi dwiema zmiennymi w analizowanej grupie.

W celu bardziej wizualnej reprezentacji tego związku, przedstawię go za pomocą wykresu pudełkowego:

base_dataset %>%
  ggplot( aes(x = FeelingRestlessWithoutSocialMedia, y =DailyAverageTimeOnSocialMedia)) +
  geom_boxplot() +
  labs(title = "Ilość korzystania z social media a niepokój bez mediów",
       x = "Niepokój bez mediów",
       y = "Ilość korzystania z mediów") +
  theme_minimal()

Zatem wydaje się, że z wyjątkiem osób korzystających z mediów społecznościowych od 4 do 5 godzin dziennie, można zauważyć tendencję do wzrostu uczucia niepokoju bez mediów wraz ze zwiększaniem się codziennego czasu spędzanego na korzystaniu z nimi.

Liczba godzin na social media a problemy z zasypianiem

Tak samo obliczam współczynnik tau-Kendalla, aby ustalić, czy istnieje powiązanie między tymi danymi.

cor.test(
  x = as.numeric(base_dataset$DailyAverageTimeOnSocialMedia),
  y = base_dataset$IssuesRegardingSleep,
  method = "kendall"
)
## 
##  Kendall's rank correlation tau
## 
## data:  as.numeric(base_dataset$DailyAverageTimeOnSocialMedia) and base_dataset$IssuesRegardingSleep
## z = 2.2915, p-value = 0.02194
## alternative hypothesis: true tau is not equal to 0
## sample estimates:
##        tau 
## 0.08327817

To wskazuje, że między codziennym czasem spędzanym na mediach społecznościowych a problemami ze snem istnieje pewien dodatni związek, jednakże jest to związek słaby (do tej pory najsłabszy).

Liczba godzin na social media a trudności z koncentracją

Podobnie jak w poprzednich przykładach, obliczam współczynnik tau-Kendalla w celu sprawdzenia, czy występuje jakaś zależność między tymi dwiema zmiennymi.

cor.test(
  x = as.numeric(base_dataset$DailyAverageTimeOnSocialMedia),
  y = base_dataset$DifficultyToConcentrate,
  method = "kendall"
)
## 
##  Kendall's rank correlation tau
## 
## data:  as.numeric(base_dataset$DailyAverageTimeOnSocialMedia) and base_dataset$DifficultyToConcentrate
## z = 2.9063, p-value = 0.003657
## alternative hypothesis: true tau is not equal to 0
## sample estimates:
##       tau 
## 0.1056165

Wynik sugeruje, że między ilością czasu spędzaną codziennie na mediach społecznościowych a trudnościami z koncentracją zachodzi pewna dodatnia zależność, chociaż jest to zależność o słabym stopniu.

Liczba godzin na social media a złe samopoczucie

Jeszcze raz wykonuję obliczenia współczynnika tau-Kendalla, aby zorientować się, czy te zmienne są powiązane.

cor.test(
  x = as.numeric(base_dataset$DailyAverageTimeOnSocialMedia),
  y = base_dataset$FeelingDepressedOrDown,
  method = "kendall"
)
## 
##  Kendall's rank correlation tau
## 
## data:  as.numeric(base_dataset$DailyAverageTimeOnSocialMedia) and base_dataset$FeelingDepressedOrDown
## z = 3.6777, p-value = 0.0002353
## alternative hypothesis: true tau is not equal to 0
## sample estimates:
##       tau 
## 0.1337728

Wynik mówi, że istnieje słaba zależność między złym samopoczuciem a liczbą godzin spędzonych na mediach społecznościowych.

Przedstawię jeszcze tę zależność wizualnie za pomocą wykresu pudełkowego:

base_dataset %>%
  ggplot( aes(x = FeelingDepressedOrDown, y =DailyAverageTimeOnSocialMedia)) +
  geom_boxplot() +
  labs(title = "Ilość korzystania z mediów a złe samopoczucie",
       x = "Złe samopoczucie",
       y = "Ilość korzystania z mediów") +
  theme_minimal()

Z tego wynika, że poza grupą osób, które korzystają z mediów społecznościowych od 4 do 5 godzin dziennie, istnieje tendencja do zwiększania się częstotliwości złego sapomoczucia wraz z wydłużaniem codziennego czasu spędzanego na korzystaniu z nimi.

Analiza podgrupy ankietowanych

Widać, że odpowiedzi grupy, która średnio korzysta dziennie od 4 do 5 godzin z mediów społecznościowych, wyraźnie odbiegają od trendów. Przeanalizuję zatem strukturę tej grupy w celu próby uzyskania odpowiedzi na pytanie, dlaczego tak się dzieje.

Najpierw oglądam dane:

table(base_dataset$DailyAverageTimeOnSocialMedia)
## 
##     Less than an Hour Between 1 and 2 hours Between 2 and 3 hours 
##                    70                   101                    93 
## Between 3 and 4 hours Between 4 and 5 hours     More than 5 hours 
##                    67                    34                   116

Widać, że grupa osób korzystających 4-5 godzin dziennie z social media jest dwukrotnie mniejsza niż wszystkie pozostałe grupy ankietowanych. Zatem ta niewielka liczba próbek może wpływać na ogólną reprezentatywność tej kategorii i utrudniać wyciąganie pełnych wniosków dotyczących tej grupy.

Ponadto tworzę tabelę, która pozwoli na zbadanie struktury tej grupy:

grupa_od4do5h <- base_dataset %>%
  filter(DailyAverageTimeOnSocialMedia == "Between 4 and 5 hours") %>%
  select(Age, Gender, RelationshipStatus, OccupationStatus)

Sprawdzam, jak wygląda struktura wieku w tej grupie:

summary(grupa_od4do5h$Age)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##    17.0    23.0    35.5    35.0    47.0    53.0

Widzimy, że średnia wieku jest dość duża, wobec tego zbadam, czy wiek ma wpływ na poszczególne aspekty związane ze zdrowiem psychicznym poprzez obliczenie współczynnika korelacji Pearsona:

# wiek a częstość złego samopoczucia
cor.test(
  x = base_dataset$Age,
  y = base_dataset$FeelingDepressedOrDown,
  method = "pearson"
)
## 
##  Pearson's product-moment correlation
## 
## data:  base_dataset$Age and base_dataset$FeelingDepressedOrDown
## t = -6.9733, df = 479, p-value = 1.032e-11
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
##  -0.3826044 -0.2201501
## sample estimates:
##        cor 
## -0.3035819
#wiek a częstość odczuwania niepokoju bez social media
cor.test(
  x = base_dataset$Age,
  y = base_dataset$FeelingRestlessWithoutSocialMedia,
  method = "pearson"
)
## 
##  Pearson's product-moment correlation
## 
## data:  base_dataset$Age and base_dataset$FeelingRestlessWithoutSocialMedia
## t = -2.7755, df = 479, p-value = 0.005728
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
##  -0.21281955 -0.03681284
## sample estimates:
##        cor 
## -0.1258061
#wiek a częstość rozpraszania przez social media 
cor.test(
  x = base_dataset$Age,
  y = base_dataset$FrequencyOfDistracionBySocialMedia,
  method = "pearson"
)
## 
##  Pearson's product-moment correlation
## 
## data:  base_dataset$Age and base_dataset$FrequencyOfDistracionBySocialMedia
## t = -5.2248, df = 479, p-value = 2.606e-07
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
##  -0.3150684 -0.1458222
## sample estimates:
##        cor 
## -0.2322021

Współczynnik korelacji Pearsona w każdym z tych 3 przypadków jest niewielki oraz ujemny, co wskazuje na to, że istnieje słaba, odwrotnieproporcjonalna (im niższy wiek tym większa częstość) zależność między wyżej przedstawionymi aspektami dot. zdrowia psychicznego

Sprawdzę też, jak wygląda pozostała część tabeli.

table(grupa_od4do5h$Gender)
## 
## Female   Male 
##      7     27
table(grupa_od4do5h$RelationshipStatus)
## 
##          Divorced In a relationship           Married            Single 
##                 3                 2                17                12
table(grupa_od4do5h$OccupationStatus)
## 
##    Salaried Worker     School Student University Student 
##                 21                  1                 12

Stan cywilny i zawodowy w tej grupie jest dość zróżnicowany, jednak widać, że zdecydowanie przeważają tu mężczyźni. Sprawdzę więc, czy istnieje zależność między płcią a opisanymi wyżej aspektami dotyczącymi zdrowia psychicznego:

base_dataset %>%
  ggplot() +
  geom_bar(aes(x = Gender, fill = factor(FeelingDepressedOrDown)),
           color = "white", 
           position = "fill") +
  scale_fill_brewer(palette="Blues") +
  theme_light() +
  labs(title = "Rozkład częstości złego samopoczucia a płeć",
       x = "Płeć",
       y = "Odsetek odpowiedzi",
       fill = "Częstość złego samopoczucia:")

Można zauważyć, że kobiety oraz osoby nieidentyfikujące się z żadną płcią czują się źle średnio częściej niż mężczyźni.

base_dataset %>%
  ggplot() +
  geom_bar(aes(x = Gender, fill = factor(FeelingRestlessWithoutSocialMedia)),
           color = "white", 
           position = "fill") +
  scale_fill_brewer(palette="Blues") +
  theme_light() +
  labs(title = "Rozkład częstości niepokoju bez social media a płeć",
       x = "Płeć",
       y = "Odsetek odpowiedzi",
       fill = "Częstość niepokoju:")

Ponadto, obserwuje się, że zarówno kobiety, jak i osoby nieidentyfikujące się z żadną płcią doświadczają uczucia niepokoju bez mediów społecznościowych częściej niż mężczyźni.

base_dataset %>%
  ggplot() +
  geom_bar(aes(x = Gender, fill = factor(FrequencyOfDistracionBySocialMedia)),
           color = "white", 
           position = "fill") +
  scale_fill_brewer(palette="Blues") +
  theme_light() +
  labs(title = "Rozkład częstości rozpraszania przez social media a płeć",
       x = "Płeć",
       y = "Odsetek odpowiedzi",
       fill = "Częstość rozpraszania:")

Na ostatnim wykresie widać, że kobiety minimalnie częściej rozpraszają się przez social media niż pozostałe płcie.

Wobec tego być może również wysoki średni wiek oraz brak zróżnicowania pod względem płci w grupie ankietowanych, która korzysta z mediów społecznościowych od 4 do 5 godzin dziennie, oddziałują negatywnie na wyniki analizy wpływu social media na zdrowie psychiczne.

Stan cywilny i zawodowy a wpływ na zdrowie psychiczne

W tej części analizy za pomocą wykresów zbadam, czy stan cywilny i zawodowy ma wpływ na zdrowie psychiczne ankietowanych, uwzględniając przy tym liczbę godzin spędzanych na mediach społecznościowych każdego dnia.

Stan cywilny

Za pomocą wykresów przedstawię poszczególne zależności:

Stan cywilny a częstość rozpraszania się przez media

plot <- base_dataset %>%
  ggplot(aes(x = FrequencyOfDistracionBySocialMedia, y = DailyAverageTimeOnSocialMedia, fill = RelationshipStatus)) +
  geom_bar(stat = "summary", fun = "mean", position = "dodge", width = 0.5) +
  labs(title = "Ilość korzystania z mediów a częstość rozpraszania się",
       x = "Średnia częstość rozpraszania się",
       y = "Czas korzystania z mediów",
       fill = "Stan cywilny") +
  theme_light() +
  scale_fill_brewer(palette = "Blues") 
ggplotly(plot)

Można zaobserwować, że osoby w związku małżeńskim najrzadziej rozpraszają się przez media społecznościowe, choć nie jest to duża różnica w stosunku do pozostałych grup.

Stan cywilny a częstość odczucia niepokoju bez social media

plot <- base_dataset %>%
  ggplot(aes(x = FeelingRestlessWithoutSocialMedia, y = DailyAverageTimeOnSocialMedia, fill = RelationshipStatus)) +
  geom_bar(stat = "summary", fun = "mean", position = "dodge", width = 0.5) +
  labs(title = "Ilość korzystania z mediów a odczucie niepokoju",
       x = "Średnia częstość odczucia niepokoju bez mediów",
       y = "Czas korzystania z mediów",
       fill = "Stan cywilny") +
  theme_light() +
  scale_fill_brewer(palette = "Blues") 
ggplotly(plot)

W tym przypadku trudno wskazać jakąkolwiek szczególną grupę ankietowanych, która wyraźnie odróżniałaby się od pozostałych.

Stan cywilny a częstość złego samopoczucia

plot <- base_dataset %>%
  ggplot(aes(x = FeelingDepressedOrDown, y = DailyAverageTimeOnSocialMedia, fill = RelationshipStatus)) +
  geom_bar(stat = "summary", fun = "mean", position = "dodge", width = 0.5) +
  labs(title = "Ilość korzystania z mediów a złe samopoczucie",
       x = "Średnia częstość złego samopoczucia",
       y = "Czas korzystania z mediów",
       fill = "Stan cywilny") +
  theme_light() +
  scale_fill_brewer(palette = "Blues") 
ggplotly(plot)

Średnio najrzadziej źle czują się osoby w związku małżeńskim, a najczęściej single i osoby w związku. U osób rozwiedzionych widać też wyraźną zależność - wraz ze wzrostem czasu korzystania z mediów rośnie częstość złego samopoczucia.

Stan zawodowy

Za pomocą wykresów przedstawię poszczególne zależności:

Stan zawodowy a częstość rozpraszania się przez media

plot <- base_dataset %>%
  ggplot(aes(x = FrequencyOfDistracionBySocialMedia, y = DailyAverageTimeOnSocialMedia, fill = OccupationStatus)) +
  geom_bar(stat = "summary", fun = "mean", position = "dodge", width = 0.5) +
  labs(title = "Ilość korzystania z mediów a częstość rozpraszania się",
       x = "Średnia częstość rozpraszania się",
       y = "Czas korzystania z mediów",
       fill = "Stan zawodowy") +
  theme_light() +
  scale_fill_brewer(palette = "Blues") 
ggplotly(plot)

Można zaobserwować, że najczęściej rozpraszają się osoby na emeryturze, a częstość ta rośnie wraz z czasem korzystania z mediów. Drugą najczęściej rozpraszają się grupą ankietowanych są natomiast studenci.

Stan zawodowy a częstość odczucia niepokoju bez social media

plot <- base_dataset %>%
  ggplot(aes(x = FeelingRestlessWithoutSocialMedia, y = DailyAverageTimeOnSocialMedia, fill = OccupationStatus)) +
  geom_bar(stat = "summary", fun = "mean", position = "dodge", width = 0.5) +
  labs(title = "Ilość korzystania z mediów a odczucie niepokoju bez social media",
       x = "Średnia częstość odczucia niepokoju",
       y = "Czas korzystania z mediów",
       fill = "Stan zawodowy") +
  theme_light() +
  scale_fill_brewer(palette = "Blues") 
ggplotly(plot)

W tym przypadku ciężko stwierdzić, że jakaś konkretna grupa ankietowanych się wyróżnia na tle innych.

Stan zawodowy a częstość złego samopoczucia

plot <- base_dataset %>%
  ggplot(aes(x = FeelingDepressedOrDown, y = DailyAverageTimeOnSocialMedia, fill = OccupationStatus)) +
  geom_bar(stat = "summary", fun = "mean", position = "dodge", width = 0.5) +
  labs(title = "Ilość korzystania z mediów a złe samopoczucie",
       x = "Średnia częstość złego samopoczucia",
       y = "Czas korzystania z mediów",
       fill = "Stan zawodowy") +
  theme_light() +
  scale_fill_brewer(palette = "Blues") 
ggplotly(plot)

Widać, że osoby pracujące czują się źle najrzadziej, a studenci najczęściej. Nie zależy to jednak od czasu korzystania z social media.

Jakie platformy społecznościowe najbardziej uzależniają?

Aby odpowiedzieć na to pytanie przeprowadzam testy niezależności chi-kwadrat w celu zbadania, czy istnieje zależność między dziennym czasem korzystania z mediów społecznościowych a tym, czy osoba ankietowana korzysta z poszczególnych plaform. Żeby uzyskać pozwala bardziej dokładne wartości p-value dodaję argument simulate.p.value = TRUE, który dodatkowo pozwala na wygenerowanie wielu losowych próbek i porównanie uzyskanej statystyki testowej z rozkładem próbek.

#Instagram
tablica_przestawna <- table(base_dataset$DailyAverageTimeOnSocialMedia, base_dataset$UseOfInstagram)
chisq.test(tablica_przestawna, simulate.p.value = TRUE)
## 
##  Pearson's Chi-squared test with simulated p-value (based on 2000
##  replicates)
## 
## data:  tablica_przestawna
## X-squared = 38.416, df = NA, p-value = 0.0004998
#Facebook
tablica_przestawna <- table(base_dataset$DailyAverageTimeOnSocialMedia, base_dataset$UseOfFacebook)
chisq.test(tablica_przestawna, simulate.p.value = TRUE)
## 
##  Pearson's Chi-squared test with simulated p-value (based on 2000
##  replicates)
## 
## data:  tablica_przestawna
## X-squared = 7.7447, df = NA, p-value = 0.1639
#Snapchat
tablica_przestawna <- table(base_dataset$DailyAverageTimeOnSocialMedia, base_dataset$UseOfSnapchat)
chisq.test(tablica_przestawna, simulate.p.value = TRUE)
## 
##  Pearson's Chi-squared test with simulated p-value (based on 2000
##  replicates)
## 
## data:  tablica_przestawna
## X-squared = 23.444, df = NA, p-value = 0.0009995
#TikTok
tablica_przestawna <- table(base_dataset$DailyAverageTimeOnSocialMedia, base_dataset$UseOfTikTok)
chisq.test(tablica_przestawna, simulate.p.value = TRUE)
## 
##  Pearson's Chi-squared test with simulated p-value (based on 2000
##  replicates)
## 
## data:  tablica_przestawna
## X-squared = 24.399, df = NA, p-value = 0.0009995
#Twitter
tablica_przestawna <- table(base_dataset$DailyAverageTimeOnSocialMedia, base_dataset$UseOfTwitter)
chisq.test(tablica_przestawna, simulate.p.value = TRUE)
## 
##  Pearson's Chi-squared test with simulated p-value (based on 2000
##  replicates)
## 
## data:  tablica_przestawna
## X-squared = 1.4289, df = NA, p-value = 0.9255
#YouTube
tablica_przestawna <- table(base_dataset$DailyAverageTimeOnSocialMedia, base_dataset$UseOfYouTube)
chisq.test(tablica_przestawna, simulate.p.value = TRUE)
## 
##  Pearson's Chi-squared test with simulated p-value (based on 2000
##  replicates)
## 
## data:  tablica_przestawna
## X-squared = 12.385, df = NA, p-value = 0.03098
#Reddit
tablica_przestawna <- table(base_dataset$DailyAverageTimeOnSocialMedia, base_dataset$UseOfReddit)
chisq.test(tablica_przestawna, simulate.p.value = TRUE)
## 
##  Pearson's Chi-squared test with simulated p-value (based on 2000
##  replicates)
## 
## data:  tablica_przestawna
## X-squared = 4.3808, df = NA, p-value = 0.5107
#Discord
tablica_przestawna <- table(base_dataset$DailyAverageTimeOnSocialMedia, base_dataset$UseOfDiscord)
chisq.test(tablica_przestawna, simulate.p.value = TRUE)
## 
##  Pearson's Chi-squared test with simulated p-value (based on 2000
##  replicates)
## 
## data:  tablica_przestawna
## X-squared = 19.906, df = NA, p-value = 0.001499
#Pinterest
tablica_przestawna <- table(base_dataset$DailyAverageTimeOnSocialMedia, base_dataset$UseOfPinterest)
chisq.test(tablica_przestawna, simulate.p.value = TRUE)
## 
##  Pearson's Chi-squared test with simulated p-value (based on 2000
##  replicates)
## 
## data:  tablica_przestawna
## X-squared = 9.1167, df = NA, p-value = 0.1059

Z przeprowadzonych testów wynika, że Instagram, Snapchat, TikTok i Discord wydają się być platformami, które mają istotny wpływ na ogólny czas spędzany na mediach społecznościowych. W przypadku innych platform, takich jak Facebook, Twitter, Reddit i Pinterest, brak jest silnych statystycznych dowodów na istotne zależności.

P-value jest najmniejsze w przypadku korzystania z Instagrama, wobec tego można wywnioskować, że Instagram uzależnia najbardziej.

Zależność między czasem spędzanym na mediach społecznościowych a korzystaniem z Instagrama dobrze obrazuje też wykres:

base_dataset %>%
  ggplot(aes(y = DailyAverageTimeOnSocialMedia, fill = factor(UseOfInstagram))) +
  geom_bar(stat = "count", position = "dodge", width = 0.7) +
  labs(title = "Dzienny czas na mediach społecznościowych z podziałem na korzystanie z Instagrama",
       x = "Liczba osób",
       y = "Czas korzystania z mediów",
       fill = "Instagram") +
  theme_light() + scale_fill_brewer(palette = "Blues")

Wpływ korzystania z Instagrama na zdrowie psychiczne

Za pomocą wykresów punktowych zbadam, czy istnieje korelacja między korzystaniem z Instagrama a częstością złego samopoczucia, niepokoju, rozpraszania się czy trudności z koncentracją. Celem jest zidentyfikowanie ewentualnych tendencji, które mogą wskazywać na wpływ korzystania z Instagrama na ogólne samopoczucie psychiczne respondentów.

plot <- base_dataset %>%
  ggplot() +
  geom_point(aes(x = FeelingDepressedOrDown, y = DailyAverageTimeOnSocialMedia, color = factor(UseOfInstagram)),
             position = "jitter", size = 2) +
  theme_light() +
  labs(title = "Złe samopoczucie a czas na mediach społecznościowych",
       x = "Złe samopoczucie",
       y = "Dzienny czas na mediach społecznościowych",
       color = "Korzystanie z Instagrama") + scale_color_manual(values = c("0" = "lightblue", "1" = "darkblue"))
ggplotly(plot)

Można zauważyć, że osoby korzystające z Instagrama (szczególnie w dużych ilościach) na ogół częściej czują się przygnębione.

plot <- base_dataset %>%
  ggplot() +
  geom_point(aes(x = FeelingRestlessWithoutSocialMedia, y = DailyAverageTimeOnSocialMedia, color = factor(UseOfInstagram)),
             position = "jitter", size = 2) +
  theme_light() +
  labs(title = "Uczucie niepokoju bez mediów a czas na mediach społecznościowych",
       x = "Niepokój bez social media",
       y = "Dzienny czas na mediach społecznościowych",
       color = "Korzystanie z Instagrama") + scale_color_manual(values = c("0" = "lightblue", "1" = "darkblue"))
ggplotly(plot)

Na powyższym wykresie widać, że ankietowani, którzy nie używają Instagrama rzadziej odczuwają niepokój bez mediów społecznościowych. Nie da się stwierdzić jednak, że użytkownicy Instagrama odczuwają go wyraźnie częściej.

plot <- base_dataset %>%
  ggplot() +
  geom_point(aes(x = FrequencyOfDistracionBySocialMedia, y = DailyAverageTimeOnSocialMedia, color = factor(UseOfInstagram)),
             position = "jitter", size = 2) +
  theme_light() +
  labs(title = "Rozpraszanie się przez media a czas na mediach społecznościowych",
       x = "Częstość rozpraszania się przez media",
       y = "Dzienny czas na mediach społecznościowych",
       color = "Korzystanie z Instagrama") + scale_color_manual(values = c("0" = "lightblue", "1" = "darkblue"))
ggplotly(plot)

Z wykresu można odczytać, że użytkownicy Instagrama dużo częściej rozpraszają się z powodu social media niż osoby niekorzystające z tej platformy. Widać też, że dzienny czas na mediach społecznościowych w małym stopniu wpływa na częstość rozpraszania się użytkowników Instagrama.

plot <- base_dataset %>%
  ggplot() +
  geom_point(aes(x = DifficultyToConcentrate, y = DailyAverageTimeOnSocialMedia, color = factor(UseOfInstagram)),
             position = "jitter", size = 2) +
  theme_light() +
  labs(title = "Trudności z koncentracją a czas na mediach społecznościowych",
       x = "Trudności z koncentracją",
       y = "Dzienny czas na mediach społecznościowych",
       color = "Korzystanie z Instagrama") + scale_color_manual(values = c("0" = "lightblue", "1" = "darkblue"))

ggplotly(plot)

Również tutaj można zaobserwować, że ankietowani używający Instagrama dużo częściej mają problemy z koncentracją, ale nie zależą one od czasu spędzonego na social media.

Podsumowanie

Podsumowując analizę można stwierdzić, że choć istnieją pewne trendy jeśli chodzi o wpływ czasu spędzanego na mediach społecznościowych na zdrowie psychiczne, to brak wystarczającej liczby danych (szczególnie w grupie korzystającej od 4 do 5 godzin dziennie) znacznie utrudnia wyciągnięcie konkretnych wniosków z tych danych. W celu dokładniejszej analizy i wyciągnięcia pełniejszych wniosków, potrzebujemy większej różnorodności w odpowiedziach, zwłaszcza w tej kategorii czasowej. Dodałoby to głębi analizy i umożliwiłoby bardziej precyzyjne zrozumienie wpływu mediów społecznościowych na zdrowie psychiczne.